---
schema_version: "library-reader-v1"
source_type: "original_book"
title: "人工智能时代：破解人机共存密码（套装共10册）"
author: null
edition: null
publisher: null
year: null
isbn: "9787521719512"
library_document_id: "396e1bee-219e-4bee-9884-3214c17ff8f5"
source_sha256: "e5d429a1fedfac2a13b0bd25057c39d818c33927767948a9bb41411f01413ced"
pdf_physical_page_count: 3314
pdf_physical_page_index_base: 0
range_start: 420
range_count: 10
html_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5?start=420&limit=10"
markdown_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=420&limit=10"
previous_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=410&limit=10"
next_url: "https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=430&limit=10"
---
# 人工智能时代：破解人机共存密码（套装共10册）
> 页码规则：PDF_PHYSICAL_PAGE_INDEX 是从 0 开始的权威文件物理页索引；PRINTED_PAGE 是页面中识别出的印刷页码，可能为空，二者不得混用。
## PDF_PHYSICAL_PAGE_INDEX=420 | PRINTED_PAGE=NOT_DETECTED
首先我们要知道，VC维度并不是越大越好，但是根据上述公式可以发现，训练样本的数量位于分母位置，VC维度位于分子位置，如果分子分母的数量同时扩大，也就是说训练样本数量和VC维度同时扩大，泛化误差和训练误差的差值可能并不会发生显著改变。换言之，如果在训练样本的数量越来越多的情况下，提升VC维度，也就是使用更加复杂的模型可能是一个更加合理的选择。所以，模型VC维度的大小是要根据训练数据的多少来进行选择的。只有选择了合适的VC维度模型，人工智能才能产出实际价值，为各行各业提供优质的服务。
我们现在使用的人工智能都是经过了漫长的发展才达到现在可以普遍应用的水平，例如语音识别从1952年就已经出现了，但当时的语音识别建立在一个数据量很小的基础上，所以当时它只能识别出10个英文数字的发音，虽然这是语音识别的开端，具有划时代的意义，但它也确实不能进入应用阶段。随着语音识别马不停蹄地发展，训练语料库越来越大，相应地，语音识别模型的VC维度也在不断升高，随之而来的是语音识别的错误率也越来越低。目前，主流智能语音识别的准确率已经超过97%，比通常人工转录的准确率还要高。
我们之前提到过的图像识别领域的“奥赛”ImageNet比赛也反映出这样的趋势。从2000年开始，每年冠军参赛模型的VC维度都在不断上升，与之相对应的，冠军模型识别图片的错误率在不断下降，在这背后，冠军模型面对的其实是数据量越来越大的现状。不论是在语音识别、图像识别还是在其他人工智能应用上，都体现了这个规律：几十年前，数据量很小，人工智能技术刚刚起步，模型不需要很高的VC维度来处理数据，所以当时建立的一些模型都很简单。但随着时代的发展，数据量的增加，为更好地解决层出不穷且越来越复杂的问题，提供更优质的服务，近几年新建立的模型都呈现出VC维度越来越高、复杂程度越来越高的趋势。
## PDF_PHYSICAL_PAGE_INDEX=421 | PRINTED_PAGE=NOT_DETECTED
与此同时，各种新兴行业也通过VC维度的提升有了新的发展。2019年8月2日，腾讯人工智能实验室研发的人工智能系统叫作绝悟，它在王者荣耀世界冠军杯中战胜了职业选手，证明了现在的人工智能也可达到电竞职业玩家的水平。8月3日，绝悟在中国国际数码互动娱乐展览会（ChinaJoy）上参与的504场1对1人机对战中，获胜率为99.8%，输掉的那一场是输给了国内最顶尖的专业玩家。绝悟之所以能取得如此高的胜率，正是因为选择了具有合适VC维度的模型。
这些年，中国电竞在世界级比赛中也获得了不俗的成绩：2018年雅加达亚运会电子竞技表演赛中斩获2金1银、“英雄联盟”S8全球总决赛捧得冠军奖杯。这说明中国电竞业正在逐步崛起，电竞职业选手的能力也逐渐逼近世界水平。这时如果发明出电竞人工智能，也会希望它达到世界级水平。但是，电竞人工智能所要面临的问题是十分复杂的。以王者荣耀为例，它作为一个团队作战游戏，双方每方5位参与者要在英雄搭配、技能应用、路径调换及团队协作等方面面临大量、持续而且即时的选择，其操作可能性高达1020 000种。因此，绝悟在训练过程中选择的是VC维度极高的深度强化学习模型。在短短半个月的训练周期内，绝悟每天的训练强度相当于人类训练440年的量。与此同时，绝悟在训练中用了384块GPU。在这样高等级算力的支持下，VC维度高的模型的训练下，绝悟的电子竞技能力直线上升，达到了世界级电子竞技选手的水平。
“权衡”二字出自南朝刘勰的《文心雕龙》：“权衡损益，斟酌浓淡。”古人早已告诉我们，要懂得权衡才能找到处理事情的最佳方法。通过权衡偏差和方差平衡模型的复杂程度和稳定程度，找到最合适的模型；通过权衡各种条件，找到最合适的VC维度，这样打造出来的模型才是真正能解决问题的模型。弱水三千只取一瓢饮，虽然选择很多，我们只要最合适的那一个。这和AI思维是一脉相承的，通过权衡各种复杂条件做出最佳的决策，不但可以帮助我们解决各种复杂的商业问题，还能使我们在激烈的行业竞争中脱颖而出。
## PDF_PHYSICAL_PAGE_INDEX=422 | PRINTED_PAGE=NOT_DETECTED
相关性和因果性
伏尔泰说过：“雪崩的时候，没有一片雪花是无辜的。”那雪山是随着片片雪花的飘落而崩塌，还是因为那场忽降的大雪而崩塌？笛卡儿说过：“我思故我在。”那我们是随着思考而越发感觉到自己的存在，还是真的因为我们在思考才有了自身的存在？骆驼到底是随着稻草的增多而被压垮，还是因为最后一根稻草太沉而倒下？关于相关性和因果性的思考一直以来都存在，机器学习模型发现的便是输入变量和预测目标之间的相关性。相关性不同于因果性，因果性对应的是传统科学研究的范畴，相关性则是AI思维所关注的理念。相关性对于我们研究许多变量因子之间的相互关系有着很大的帮助。
事实上，将两个一起出现的事物关联起来是人类与生俱来的学习能力。比如说，人都怕衰老，因为衰老意味着生命的流逝；人们到了一定年纪就会喜欢照镜子，去看是不是自己脸上哪个区域又出现了皱纹，或者白发是不是又增多了，因为白发和皱纹是衰老的迹象，这对于大部分人来说可能都不是个好消息。我们一看到脸上有皱纹、头上有白发，就知道人开始进入衰老期，其实就是因为我们将皱纹、白发与衰老建立起了联系，根据这个联系在脑海中反映出它们之间的相关性。但是，从科学角度来说，并不是“皱纹”“白发”带来了人体的衰老，它们只是衰老的表象，人体衰老的根本原因在于细胞代谢能力的降低。也就是说，皱纹和衰老之间并不存在因果性，仅仅是内涵及外在表现形式的一种相关性。
## PDF_PHYSICAL_PAGE_INDEX=423 | PRINTED_PAGE=NOT_DETECTED
人体是一个复杂的存在，除了会经受自然衰老以外，还会生各种各样的疾病。在流行病学领域，相关性也比因果性常见得多。例如，最近很多上班族觉得自己气血不足，所以在他们中间流行起了“泡枸杞、吃红枣”的养生法。这是为什么呢？难道就因为上班族每天都得对着电脑、手机十几个小时，又恰恰显出了气色差、无力等贫血迹象，就能说明是辐射引起的贫血吗？这些社交媒体制造的类似焦虑言论背后，其实埋着将相关性歪曲为因果性的雷。虽然不排除某种性质的贫血跟电子产品的辐射有一定关联，但贫血和人们使用电子产品的比例并不能断定两者之间的因果性。
实际上，白领群体的“贫血”概率与机体的运动代谢下降和饮食结构的不合理有关。白领群体长时间坐在工位上，对着电脑、手机，身体代谢变慢，血气调动不起来，这才导致了医学上的贫血现象。此外，上班族工作压力大、饮食不规律，忽略了机体基础营养的正常补给，长年累月，影响身体机能的修复，这也是引起气血不调的原因之一。所以，如果将此类的表述换成“随着全球气温升高，贫血人群的数量也在急速上升”，同样也能推出“全球温度升高容易引起贫血”的结论，这显然十分荒谬。
虽然相关性没有因果性来得一针见血，但是相关性能一定程度地揭露问题所在。作为内在问题的一种肉眼可见的表征，相关性自有它的用武之地；至于如何应用，我们会在后面的内容中进行更详细的阐述。现在让我们先来看一下相关性与因果性的定义。
什么是相关性
相传，如果南美洲亚马孙河流域热带雨林中的一只蝴蝶慵懒地扇动几下翅膀，可能会在两周之后导致美国得克萨斯州刮起一场铺天盖地的龙卷风——如果一定要说这两件事之间存在关系的话，那这个关系也是微乎其微的。
## PDF_PHYSICAL_PAGE_INDEX=424 | PRINTED_PAGE=NOT_DETECTED
那么，如何衡量相关性的程度呢？我们可以定义相关系数，规定相关系数的取值范围在-1到1之间，两个事物之间的相关系数越接近0，就表明两者的相关性越低。对比双方数据时，如果一方数据往高走的时候，另一方数据也在上升，就说明二者正相关，它们的相关系数在0与1之间。如果一方数据往高走的时候，另一方数据下降，那么二者为负相关，相关系数在-1与0之间。相关系数的绝对值越大，相关性越强。相关系数越接近于0，相关性越弱。
举个例子，负相关性就好比饮食健康程度和生病次数之间的关系。一般来说，饮食健康程度越高，生病次数就越少，即饮食健康程度和生病次数是负相关的。不相关（相关系数为0）的数据，看起来就是一组均匀的数据点，没有什么明显的趋势。当然也有正相关的例子。譬如多年未见的朋友比小时候长得更加高大、健壮了，体重也重得多。身高和体重之间就是一种正相关的关系。一般来说，身高每长高一厘米，体重也会相应地有所增加。
但是在运用相关性进行分析的时候要十分注意。国外有个网站Spurious Correlations，讲的是虚假的相关性。这个网站上列了许多啼笑皆非的例子，这些例子中的每一对数据看似都有很高的相关性，实际上却不存在任何合理的解释。比如说，有人发现在某些年份，美国在科技领域投入的资金和上吊自杀人数，相关系数高达99.79%。这其实体现的就是一种虚假的相关性，真正具有相关性的两者要有一个关联的基点。就这个例子而言，人们并不会因为美国在科技领域投入多少，就去考虑上吊自杀的事情，所以两者不存在一个关联的基点，也就不存在真正的相关性。网站上列举的另一个虚假相关性的例子——人均芝士消耗量和新增土木工程博士数，相关系数高达95.86%。95.86%表面上代表着非常高的相关性，但实际上，两者之间并没有合理的联系。造成如此高的相关系数的原因也许只是随着时间推移，社会发展，各项指标正好同步变大而已。所以在使用相关性概念的时候，我们也要考虑两个变量内在的联系和可解释性，单纯的相关系数可能没有意义。
## PDF_PHYSICAL_PAGE_INDEX=425 | PRINTED_PAGE=NOT_DETECTED
什么是因果性
证明因果，首先要证明两个事件有关联。这种关联一般来说是一种常见的现象，比如一些老人喜欢说的“爱笑的人都很善良”，“满脸愁容、精神颓废的人都很苦命”，“筋络粗壮的都很奔波”，等等，是根据一种静止表象来推测动态发展倾向。虽然关联现象不一定意味着因果关系，但认识到或者察觉到它，却是一个很好的起点。如果某两个事件显示出一定的相关性，往往会引起研究者的注意，吸引他们去发掘其中可能存在的因果关系。
从日常生活到严谨的科学实验室，想要证明事件之间有无关联或密切程度的方法有很多。就像前面说的，从统计学的角度，能够通过数据分析看出两个事件之间是否存在正相关和负相关的关系，如果不存在关联就不存在因果，因为关联关系是因果关系的基础。当确定两个事件之间存在关联后，我们再进一步分析两个事件之间的细节规律，建立起一个假设，即它们之间发生的先后关系的推测。想要验证这个推测，首先可以预设是某一事件导致的另一事件，这个结论成立的两个条件是：第一，一个事件发生在另一个事件之前；第二，前一个事件的出现能预测另一个事件的出现。
因果关系的链条是单一的。上述条件只是证明了两者之间存在链条，我们还要进一步检验事件之间链条的单一性，也就是排除掉其他可能的混淆变量。所谓混淆变量，就是发生在前一事件以外的其他事件导致了后一个事件的发生，这就违反了因果关系链条的单一性，这个因果关系就不是那么明确地能够成立了，需要再往深一步去挖掘其真实的因果关系链条。比如，在众所周知的狐假虎威的故事当中，每一次狐狸出现，森林里的动物们都十分害怕，四散而逃，但是动物们逃走并不是因为狐狸，而是因为狐狸的身后跟着百兽之王老虎。在这个故事中，老虎就是那个混淆变量，狐狸出现与动物们逃跑之间并不存在链条的单一性，也就是因果关系并不成立。
## PDF_PHYSICAL_PAGE_INDEX=426 | PRINTED_PAGE=NOT_DETECTED
去掉混淆变量的常见方法是设计实验组和对照组。实验组，就是在这一组样本中对某一因素做处理。对照组，就是不做任何处理，直接放置，然后观察两组现象的差别。要证明因果，就是需要实验组出现预设的现象，而对照组不出现预设现象。如果实验组因为做了某一因素的处理而出现预设现象，对照组未做任何处理而没有出现预设现象，就能证明某一因素的改变导致了预设现象的出现，而没有这一改变就不能导致相应现象出现。
例如，最近喝各种养生茶变得流行起来，有些人喜欢清淡的，有些人接受不了苦味，有些人却偏偏喜欢特别苦的。如果我们想要知道是哪一种原料导致了茶的苦味，就可以进行一次对照实验。例如，我们的推测是里面的苦菊导致了苦味，那么我们需要泡两杯茶，一杯花果茶的茶包原料不变，照常加水泡开；将另一杯花果茶的茶包原料里的苦菊挑拣出来，再加水泡开。如果品尝后发现前一杯茶带有苦味，而后一杯茶没有苦味，则验证了我们的推测是正确的，即苦菊是导致这杯茶带苦味的原因，苦菊与茶的苦味之间的因果性成立。当然，我们还可以做更多推测，比如考察是哪种材料导致了奇怪的味道，等等。
相关性大于因果性
在日常工作生活中，我们更需要关注相关性，而不是强求因果关系，也就是说，只需要知道“是什么”，而不总是需要知道“为什么”。这能使人跳过洼地，快速地获取结果。这种思维方式推翻了自古以来人们更加注重因果关系的惯例，使我们理解现实和做出决定的最基本方式受到挑战。但是不破不立，破而后立，相关性的思维方式也让一切事物变得看起来很简单。AI思维从数据中训练出模型，但它从不思考为什么这样做，这让模型训练变得简单直接，体现出相关性思维的特点。
## PDF_PHYSICAL_PAGE_INDEX=427 | PRINTED_PAGE=NOT_DETECTED
从传统的因果性思维转向相关性思维是AI思维最突出的一个特点，传统的因果性思维是说我们一定要找到一个原因，推出一个结果来。而基于AI思维的预测没有必要找到原因，不需要证明这个事件和那个事件之间有一个必然、先后关联发生的因果规律。在相关性思维中，如果出现了某些迹象，数据统计的高概率会显示出相应的结果。那么，当我们发现这些迹象时，需要做的就是根据这些迹象去预测结果，做出决策。这和以前的思维方式不一样，和传统科学的思维不一样。虽然同样基于数据，但是传统科学要求找到准确的因果关系。
但是，在这个纷乱复杂的社会关系里面，充满了差异性，不同的人在不同的时间节点可能会为了不同的原因去做一件同样的事情。比如，有的人觉得紫外线太强怕被晒黑，有的人觉得阳光刺眼，有的人觉得雨季要到了，这时他们都可能会买一把伞。不论中间的思考过程有多曲折，各自的理解如何大相径庭，他们最终都指向同一个结果。其实，我们在很多时候，最终为的也不过是这个结果罢了，所以在这期间耗费过多的精力去寻找里面的因果关系并非那么必要，毕竟在这个节奏如此快的社会，等你从头到尾都想得一清二楚的时候，这个事情可能早就不值得办了。
所以人工智能时代的思维更像“action!”（行动指令）、“reaction!”（立刻反应）这样一种直线思维。也就是说，你听到或者看到一个明显的指令或者迹象，你不需要去追究太多，只需要按惯例做出反应就可以。只要我发出这个口令，就一定能够得到一个既定的、预期内的回应，这就可以了。就像在运送快递时，如果有玻璃制品这样易碎的物品，快递盒子外面一般会有“易碎物品，小心轻放”的提示。看到这个提示，快递员不需要知道盒子里面是什么物品，也不需要知道它为什么易碎，他只需要在送快递过程中做到小心轻放，不让盒子中的物品破碎就可以了。
全世界的商界人士都在高呼人工智能时代来临的优势：早在很久以前，商家就明白了相关性销售的精髓。比如，商家很容易根据你买东西的数量知道你家有多少人吃饭，你是单身还是一大家子。将牛肉干等一些简便的下酒食品与各种酒品摆在一起，也能很大程度地提升销售业绩，因为很多时候这些关联是更契合人性的。比如，你只喝酒，难免肠胃寡淡，根据人体自然需求，会需要同时补充一些重口味的小吃。喝酒就是为了爽快，谁会为了几块钱的小吃而折损了喝酒的享受呢？抓住了这些关联也就抓住了人性，从而能实现高销售。数据透露出来的信息有时确实能起到出人意料的效果。比如，下雨或者高温暴晒的时候，往往订外卖的人数会激增，这时候在办公区附近的餐馆都会提前做好“备战模式”，例如提前预备好外卖餐盒、准备好外卖常点的菜品，这些老板不需要去考虑究竟是因为下雨、暴晒的时候大家觉得出门麻烦而选择订外卖，还是因为这种天气下大家心情不好而选择点外卖，他只需要根据天气变化采取相关行动就可以。
## PDF_PHYSICAL_PAGE_INDEX=428 | PRINTED_PAGE=NOT_DETECTED
这些例子共同说明了一个道理：用相关性思维方式来思考问题、解决问题的做法值得关注。寻找原因在以前被视为理所当然，但是大数据推翻了这个论断。过去寻找原因的信念正在被更为实用的相关性所取代。随之而来产生了一个值得思考的问题：在探求因果关系转变为注重相关关系的过程中，我们怎样才能既不损坏奠定社会繁荣和人类进步的因果推理基石，又能真正推动社会的进步呢？需要强调的是，转向相关性，并不是要抛弃因果关系这块科学基石，而是通过相关性更加快速直接地解决问题。
在当今这个信息化的时代，只要能够得到充足的数据，加之用高效的AI思维寻找到相关性信息，就可以预测用户的行为，为企业做出准确决策提供支撑。比如，金融行业非常注重风险的把控，以往我们识别金融风险最常用的方式就是查看客户的过往征信记录，寻找各种渠道去打探对方的信誉。这个过程不但耗时、费力，还未必能够保证信息全面。
有了人工智能加持之后，金融机构就可以通过数据建立模型，识别出客户相关的异常行为以及异常关系，为金融决策提供广泛、确切的有效信息。在这个领域中，人工智能能够帮助解决金融信用体系中的关键问题。那么人工智能是如何在这个过程中发挥作用的呢？首先需要构建人工智能模型，然后通过模型实现特征分析，进而根据模型的输出判断异常。比如说现在我们要判断是否给某个客户贷款。为了解决这个问题，金融机构就要对该客户以往的行为进行分析。如果金融机构通过人工智能分析发现，这个客户曾经多次逾期还款，收入不稳定、工作情况变动大，那么这就意味着他不是一个很好的贷款对象，因为财务状况不稳定与出现财务问题之间有很大的相关性，放贷给他可能会影响到钱款的正常收回，导致出现损失。相反，如果客户过往的财务状况稳定，并且有着合理的发展规划，就说明他是一个值得信赖的客户。向这样的客户贷款，风险较低，相对安心。
## PDF_PHYSICAL_PAGE_INDEX=429 | PRINTED_PAGE=NOT_DETECTED
尽管在过往，这些工作也能通过人工粗略地进行，但是由于细枝末节的信息不计其数，而人力始终是有限的，在这种情况下，人工的分析自然容易出现疏漏。此外，人工耗时长，对于金融这个看重时效性的行业来说，是一个重大的弱点。相比之下，人工智能通过自身的模型学习，能够在短时间内就发现隐患，使得应对决策能够正确有效地实施。所以，在商业社会里，“action!”“reaction!”的行为模式是更为合理，也是适用更广的。细究其中，你会发现，事实上所有事件的处理方式都在遵循相关性原则，无论你把事情考虑得多么周全，仍然可能出现问题；在应急的当下，你也一定是运用了相关性来处理绝大部分问题。而且根据人们使用的情况来说，在生活的方方面面，它都饶有成效。有时候，相关性可能就是人们所说的“下意识”，看到或者听到某些事物，条件反射地设想出下一秒产生的结果，下意识地为这个结果做出反应。
哲学上讲，联系是指一切事物、现象、过程及其内部诸要素之间的相互影响、相互作用和相互制约，也就是说，万物之间都是存在相关性的。也许你没有意识到相关性的存在，但就像你看到打雷就知道要下雨一样，人们无时无刻不在使用着相关性思维。相关性这种通过分析不同事件之间的联系，由起点直接到终点的思维方式，是AI思维能够快速准确地进行预测的内在逻辑。物有本末，事有始终，掌握了相关性，你就能事半功倍地得到想要的结果。
下一段：[继续读取](https://workshop.closeclaw.top/api/ai/read/396e1bee-219e-4bee-9884-3214c17ff8f5.md?start=430&limit=10)